FOCUS mHealth Intervention for Veterans With Serious Mental Illness in an Outpatient Department of Veterans Affairs Setting: Feasibility, Acceptability, and Usability Study
Notice bibliographique
Résumé
BACKGROUND: Veterans with serious mental illnesses (SMIs) face barriers to accessing in-person evidence-based interventions that improve illness management. Mobile health (mHealth) has been demonstrated to be feasible, acceptable, effective, and engaging among individuals with SMIs in community mental health settings. mHealth for SMIs has not been tested within the Department of Veterans Affairs (VA). OBJECTIVE: This study examines the feasibility, acceptability, and preliminary effectiveness of an mHealth intervention for SMI in the context of VA outpatient care. METHODS: A total of 17 veterans with SMIs were enrolled in a 1-month pilot trial of FOCUS, a smartphone-based self-management intervention for SMI. At baseline and posttest, they completed measures examining symptoms and functional recovery. The participants provided qualitative feedback related to the usability and acceptability of the intervention. RESULTS: Veterans completed on an average of 85.0 (SD 96.1) interactions with FOCUS over the 1-month intervention period. They reported high satisfaction, usability, and acceptability, with nearly all participants (16/17, 94%) reporting that they would recommend the intervention to a fellow veteran. Clinicians consistently reported finding mHealth-related updates useful for informing their care. Qualitative feedback indicated that veterans thought mHealth complemented their existing VA services well and described potential opportunities to adapt FOCUS to specific subpopulations (eg, combat veterans) as well as specific delivery modalities (eg, groups). In the 1-month period, the participants experienced small improvements in self-assessed recovery, auditory hallucinations, and quality of life. CONCLUSIONS: The FOCUS mHealth intervention is feasible, acceptable, and usable among veterans. Future work should develop and examine VA-specific implementation approaches of FOCUS for this population.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».